-
题名类别学习的机制:基于类别中心学习假设的解释
被引量：1
- 1
-
-
作者
邢强
车敬上
-
机构
广州大学心理学系
-
出处
《心理学探新》
CSSCI
2010年第6期54-57,共4页
-
基金
国家自然科学基金(31070918)
广州市人文社会科学发展与教育心理学重点研究基地成果
-
文摘
为了区分推理学习是学习类别内部结构还是学习类别对应特征的规则,该研究使用眼动仪研究了22名大学生被试在类别学习过程中的眼动情况。被试被随机分为相等的两组,一组进行分类学习,另一组进行推理学习。实验分为学习、测试两阶段,在学习阶段被试三个连续单元的正确率为90%或者30个单元做完则结束学习,在测试阶段检验学习的效果。结果表明推理学习者在学习过程中关注的是类别内部特征之间的关系,而不是类别对应特征的规则。
-
关键词
类别学习
机制
类别中心
LEARNING
CCL
based
推理学习
学习过程
内部特征
眼动仪
学习阶段
内部结构
规则
分类学习
单元
测试阶段
正确率
学习者
两阶段
大学生
-
Keywords
inference learning
CCL hypothesis
category-to-feature hypothesis
-
分类号
B84
[哲学宗教—心理学]
-
-
题名深度辨别性增强网络高分影像语义分割
被引量：1
- 2
-
-
作者
刘艳飞
丁乐乐
孟凡效
孙叔民
-
机构
天津市勘察设计院集团有限公司
万方星图(北京)数码科技有限公司
-
出处
《遥感信息》
CSCD
北大核心
2021年第2期24-31,共8页
-
基金
天津市重点研发计划科技支撑重点项目(18YFZCSF00620)
天津市重点研发计划院市合作项目(18YFYSZC00120)。
-
文摘
针对高分遥感影像中同类地物方差大、类间方差小的现象所造成的错分问题,文章在分析深度网络分类器Softmax用于语义分割的基本原理的基础上,提出了基于深度辨别性增强网络的高分影像语义分割算法。该算法将Softmax中每一类对应的特征向量参数定义为该类对应的类别中心,在分类器Softmax中加入相似度惩罚因子,使得同类像素样本特征向量向其类别中心靠近,增加了深度特征的可辨别性。分别在高分二号数据集GID和SpaceNet Buildings 2个数据上进行实验。相比于对比算法,所提出的算法将GID数据的评价指标Kappa提高1.8,将SpaceNet Buildings数据的评价指标F 1 Score提高1.6,证明其可以显著提升高分遥感影像的语义分割精度。
-
关键词
卷积神经网络
高分影像
语义分割
类别中心
辨别性
-
Keywords
convolutional neural network
high spatial resolution imagery
semantic segmentation
class center
distinctiveness
-
分类号
TP753
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名一种基于深度残差网络的车型识别方法
被引量：9
- 3
-
-
作者
刘敦强
沈峘
夏瀚笙
王莹
贾燕晨
-
机构
南京航空航天大学能源与动力学院
-
出处
《计算机技术与发展》
2018年第5期42-46,共5页
-
基金
航空科学基金(20120952022)
-
文摘
针对传统的车型识别方法提取的特征的可分性较差、鲁棒性不足等问题,提出一种基于深度残差网络的车型识别方法。相比于传统的特征提取方法,深层网络模型具有模型参数更为充分完善的优势,同时也更加适合于处理大规模的数据集,其提取的特征具有天然的层次结构,类型也更加丰富。深度残差网络使用的残差单元可以改善深层网络模型寻优的过程,减少模型收敛的时间开销。在深度残差网络的基础上添加类别中心正则化的约束可以改善特征的分布空间,强化同一类别内的特征的相似性及不同类别的特征的可区分性,进一步提高模型的分类性能。训练时,将训练过程分为两个步骤,分别使用不同的数据集进行训练可以提高训练的效率,充分利用预训练模型的优势。实验结果表明,该算法在识别精度上优于传统的车型识别方法。
-
关键词
车型识别
深度残差网络
恒等映射
类别中心正则化
-
Keywords
vehicle model recognition
deep residual network
identity map
class-centric regularization
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于低秩双线性池化注意力网络的舰船目标识别
被引量：3
- 4
-
-
作者
关欣
国佳恩
衣晓
-
机构
海军航空大学
中国人民解放军
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第5期1305-1314,共10页
-
基金
国防科技卓越青年科学基金(2017-JCJQ-ZQ-003)
泰山学者工程专项经费(ts 201712072)资助课题。
-
文摘
针对多模态舰船图像融合识别质量不高等问题,构建了一种端到端的低秩双线性池化注意力网络。首先对各模态原始特征向量基于跨模类别中心进行注意力加权重构,使不同模态特征更好地关注公共类别信息;然后采用双线性池化捕获不同模态图像的交互信息,并引入权重低秩分解降低网络参数规模;最后依靠特征级联实现模态信息的交互与互补,并设计联合损失提升网络跨模态融合识别效果。实验结果表明,相比现有融合方法,所提方法可有效提升多模态遥感舰船图像的融合识别效果,在公开的遥感舰船数据集上取得了较高的识别准确率。
-
关键词
舰船识别
双线性池化
跨模类别中心
注意力加权
跨模联合损失
-
Keywords
ship recognition
bilinear pooling
cross-modal category center
attention weighting
cross-modal joint loss
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
